百度开源 Unlimited OCR 模型，基于 DeepSeek OCR 架构，30亿参数仅激活5亿
阅读原文· ithome.com百度于6月22日开源 Unlimited OCR 模型，总参数量30亿，推理时仅激活5亿。模型延续 DeepSeek OCR 架构，编码端采用两级视觉编码并执行16倍 token 压缩，将1024×1024 PDF 图像压缩为256个视觉 token，缓解长文档解析越生成越慢问题。训练基于 DeepSeek OCR 检查点，冻结 DeepEncoder 后继续4000步，使用约200万份文档在8×16 A800 GPU上完成，单页与多页数据配比约9:1。在 OmniDocBench v1.5 上整体得分93.23（DeepSeek OCR 87.01，DeepSeek OCR 2 89.17），文本编辑距离0.038，公式 CDM 92.61，表格 TEDS 90.93，读序编辑距离0.045；v1.6 得分93.92。GitHub 已获 6.8K Star。
IT之家 6 月 25 日消息，百度于 6 月 22 日开源推出 Unlimited OCR 模型，总参数量 30 亿，推理时仅激活 5 亿参数，目标解决在解析长文档时，端到端 OCR 模型越生成越慢的问题。
IT之家注：端到端 OCR 模型是统一神经网络架构系统，融合检测图像中的文本和字符识别，摒弃了传统“先检测文字框、再单独识别”的繁琐流程，直接从输入图像映射到文本序列输出，从而减少信息丢失和计算冗余。
主流端到端 OCR 模型每生成 1 个 token，都会扩大 KV cache（键值缓存），显存占用和延迟随之上升，导致在用户的感知中，AI 解析多页文档后越生成越慢。
Unlimited OCR 延续 DeepSeek OCR 架构，保留 DeepEncoder 与 Mixture-of-Experts（混合专家，MoE）解码器。模型总参数量为 30 亿，但推理时只激活 5 亿参数。
Unlimited OCR 编码端采用两级视觉编码，并在连接阶段执行 16 倍 token 压缩，让 1024×1024 的 PDF 图像压缩为 256 个视觉 token，从源头减轻预填充负担。
训练方面，Unlimited OCR 基于 DeepSeek OCR 检查点继续训练 4000 步，冻结 DeepEncoder，只训练解码器。训练数据约 200 万份文档样本，运行在 8×16 A800 GPU 上。数据配比为单页与多页约 9:1，多页样本通过拼接构造。
基准测试显示，Unlimited OCR 在 OmniDocBench v1.5 上整体得分 93.23，高于 DeepSeek OCR 的 87.01，也高于 DeepSeek OCR 2 的 89.17。
其文本编辑距离为 0.038，公式 CDM 为 92.61，表格 TEDS 为 90.93，读序编辑距离为 0.045。在 OmniDocBench v1.6 上，模型整体得分进一步达到 93.92。
参考